- 多模态知识图谱的零样本关系学习
我们提出了一个新颖的端到端框架,包含三个组成部分:多模态学习器、结构整合器和关系嵌入生成器,以整合多样化的多模态信息和知识图结构,从而促进零样本关系学习。通过对两个多模态知识图的评估结果,证明了我们提出方法的卓越性能。
- Abstractors: 符号消息传递和关系推理的 Transformer 模块
该论文提出了一个框架,它将关系学习转化为变形器,借助关系交叉注意机制实现感觉状态和抽象状态之间的绑定。
- 基于知识增强的概念感知注意力图神经网络用于不良药物反应检测
使用异质文本图形,借助统一医学语言系统中的医学知识,提出了一种基于概念感知注意机制的自然语言处理方法,结合预训练语言模型的上下文化嵌入和卷积图神经网络进行特征表示和关系学习,能有效地自动从文本中检测不良药物事件,表现和最近进展竞争性相当。
- 在关系领域中从示例中学习概率时间安全属性
在关系集合中,我们结合关系 Markov 决策过程与 pCTL 模型检查,提出了一个框架,从一组被标记为安全或不安全的状态中学习 pCTL 公式的片段。应用关系学习的原则,我们介绍了候选公式生成过程和为标记状态决定满意的规范的方法,以此作为 - ICML从层状结构和神经切向核的角度看图卷积网络
本文研究了 sheaf 卷积网络的神经切向核,通过将函数分解为由图形决定的前向扩散过程和节点激活对输出层的复合效果所确定的两部分,提出了一种参数化方法以拟合核函数。
- 学习一次关系的元表示,用于时态知识图谱链接预测
本文提出一种针对时间知识图谱的 few-shot learning 模型,通过时间关系建模,实现了在单样本情况下,对时间知识图谱进行关系预测
- AAAI单跳节点分类的 Twister 设置
研究了节点分类问题中使用更强大的置换不变函数是否能避免分类器收集 $1$ -hop 以外的信息。引入了一种新的架构,即 Set Twister,扩展了 DeepSets 的表达能力,同时保持了它的简单性和低计算成本,在多项任务中比 Deep - AAAI利用随机加权特征网络表示先验知识进行视觉关系检测
本文使用单层随机权重特征网络进行视觉关系检测,并使用零样本学习方法加以改进,利用逻辑约束表达背景知识及关系,成功预测了训练集中不存在的三元组,相较于逻辑张量网络更高效,参数更少。
- ICLR关系抽取的原型表示学习
本文章提出一种利用关系原型从远程标注数据中学习关系表示的方法,并证明该方法在几种关系学习任务上比现有技术显著优越,本方法具有预测性,可解释性和鲁棒性。
- 学习任务和动作规划的符号运算符
研究了 TAMP 中的运算符学习问题,提出了一种自下而上的关系学习方法来学习运算符,并将其应用于机器人规划中。实验结果表明,该方法在三个领域中的性能明显优于几个基线,包括最近文献中基于图神经网络的三种无模型方法。
- 基于提升关系神经网络的图神经网络扩展
基于 Lifted Relational Neural Networks 语言实现了一个说明性可区分编程框架,用于编码关系学习场景,特别关注图神经网络的高关系表达能力。该框架能够快速构建一些高效紧凑的神经网络结构,并提出了一些关于现有图神经 - 神经模型中组成通用能力的研究
该研究介绍了一个名为 ConceptWorld 的环境,用于生成通过逻辑领域特定语言定义的构成和关系概念的图像。研究测试了标准神经网络和关系网络的泛化能力,并提出了一个潜在的基准模型,以鼓励在构成和关系领域有效泛化的模型的发展。
- 联合头部和人体检测的关系学习
该研究提出了一种新的联合头部和人体检测网络,包括设计一个头体关系区分模块执行头和身体之间的关系学习,并利用所学关系来减少头部误报率和提高人体检测率。进行相关实验后,该联合检测器在三个基准数据集中取得了最佳性能,且提供新的注释,源代码和训练模 - 认知知识图谱推理与一次关系学习
本文提出了一种基于认知图的一次性知识图谱推理方法 CogKR,该方法在一次或少量训练实例的情况下可以推断出原始知识图谱中未见过的关系类型,实验表明该方法在 one-shot KG reasoning benchmark 上相对改进了 24. - ICML跨不可比空间学习生成模型
本文介绍了一种基于 Gromov-Wasserstein 距离的生成式模型学习方法,可以在不同空间里学习并掌握目标特性,具有应用于流形学习、关系学习和跨域学习等任务的灵活性。
- IJCAI关系学习的分布式和符号范式的比较研究
本文介绍了在知识图谱的分类和聚合任务中使用符号方法和表示学习方法的比较分析,重点探讨这些方法隐含地使用的规则的复杂性,并提出了一些可能的指标,以帮助选择特定知识图谱的合适方法。
- KDD基于 VC 维的关系学习泛化界
本文研究了关系模型的充分统计量的误差边界,主要结果是证明了适用于关系数据的 Vapnik-Chervonenkis 维度的变体边界。
- AAAIRelNN: 用于关系学习的深度神经模型
本文介绍了一种新的 Relational neural networks 模型,通过在关系逻辑回归中加入隐藏层,从而同时考虑了物体和关系,使用遍历学习算法进行模型训练,并证明了 RelNNs 是一种有效的关系学习模型。
- 知识图谱中非离散属性预测的多任务神经网络
本文中,我们提出了一种新颖的基于多任务神经网络的方法,用于在关系学习环境中编码、融合和预测非离散属性信息,该方法在关系三元组分类和属性值预测任务中优于现有的许多方法。
- 对抗集合用于规范神经链路预测器
该研究提出了一种利用函数无关 Horn 子句来约束神经链接预测器的方法,使用先验知识可以显著提高神经链接预测器的性能。